CN116699998B - 基于ai算法的无人值守加压站控制系统 - Google Patents
基于ai算法的无人值守加压站控制系统 Download PDFInfo
- Publication number
- CN116699998B CN116699998B CN202310742904.0A CN202310742904A CN116699998B CN 116699998 B CN116699998 B CN 116699998B CN 202310742904 A CN202310742904 A CN 202310742904A CN 116699998 B CN116699998 B CN 116699998B
- Authority
- CN
- China
- Prior art keywords
- pressurizing
- water pressure
- station
- control
- pipeline
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 62
- 238000011217 control strategy Methods 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 185
- 230000008859 change Effects 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 39
- 238000000034 method Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 5
- 238000004080 punching Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 22
- 238000003860 storage Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006872 improvement Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Fluid Pressure (AREA)
Abstract
本发明公开了一种基于AI算法的无人值守加压站控制系统,该基于AI算法的无人值守加压站控制系统包括接收模块、预处理模块、筛选模块、控制策略计算模块和发送模块,可以用于根据二次加压站发送的加压工作参数和加压传感参数,基于神经网络模型来确定出二次加压站对应的控制策略。可见,本发明能够结合二次加压站的工作参数和传感参数,通过神经网络算法模型来确定出更加精确地控制策略,从而能够极大地提高无人值守的加压站的控制精度和智能化程度,提高加压站的工作效率,减少出错。
Description
技术领域
本发明涉及加压站控制技术领域,尤其涉及一种基于AI算法的无人值守加压站控制系统。
背景技术
随着城市用水需求的日渐高涨,城市供水管网中布设的二次加压站的数量也在逐渐增加,且随着智慧城市智慧水务概念的推广,越来越多的二次加压站开始引入智能控制设备以实现无人值守。
但现有技术中,无人值守的加压站的控制,仍然采用人工或者简单的预设逻辑来远程控制,没有考虑到整体的加压站的工作参数和传感参数所表征的意义,也没有考虑到引入更加智能的算法来实现控制策略的优化,因此其控制效果较差且没有预测性,可见现有技术存在缺陷,亟待解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于AI算法的无人值守加压站控制系统,能够极大地提高无人值守的加压站的控制精度和智能化程度,提高加压站的工作效率,减少出错。
为了解决上述技术问题,本发明公开了一种基于AI算法的无人值守加压站控制系统,所述系统包括:
接收模块,与设置在目标管网区域的多个二次加压站的处理器节点和传感器节点电连接,用于接收每一所述二次加压站发送的多个加压工作参数和加压传感参数;
预处理模块,用于获取所述目标管网区域的历史管道水压数据和每一所述二次加压站的历史加压工作参数,根据所述历史管道水压数据和每一所述二次加压站的历史加压工作参数,基于神经网络算法,确定每一所述二次加压站的危险预测参数;
筛选模块,用于根据所述危险预测参数,从所述多个二次加压站中筛选出多个控制加压站;
控制策略计算模块,用于根据所述目标管网区域中的用户端水压传感信息、所述目标管网区域的实时管道水压数据和每一所述控制加压站的加压工作参数和加压传感参数,基于神经网络算法,计算每一所述控制加压站的控制策略;
发送模块,用于根据所述控制策略,生成每一所述控制加压站对应的控制指令,并发送至所述控制加压站。
作为一个可选的实施方式,所述加压工作参数包括水泵机组的电机工作参数、主路电动阀门工作参数、旁路电动阀门工作参数中的至少一种;和/或,所述加压传感参数包括站内管道水质数据、站内图像数据、站内空气质量数据、站内温度数据、站内湿度数据、站内工作人员打卡数据中的至少一种。
作为一个可选的实施方式,所述历史管道水压数据包括所述目标管网区域中的多条管道对应的历史水压数据;所述预处理模块根据所述历史管道水压数据和每一所述二次加压站的历史加压工作参数,基于神经网络算法,确定每一所述二次加压站的危险预测参数的具体方式,包括:
对于每一管道,从该管道对应的所有历史水压数据中筛选出水压值高于预设的水压阈值的危险水压数据;
根据该管道对应的供水历史记录,确定该管道在所有所述危险水压数据对应的数据发生时间点对应的有供水关系的二次加压站,确定为该管道对应的候选控制加压站;
计算任一所述候选控制加压站与对应的所有管道在对应的所述数据发生时间点的供水关联参数;
根据所述历史加压工作参数,计算任一所述候选控制加压站与对应的每一所述危险水压数据之间的数据关联参数;
将每一所述候选控制加压站对应的所有所述供水关联参数和所述数据关联参数输入至预先训练好的第一神经网络模型中,得到输出的每一所述候选控制加压站对应的危险预测参数;所述第一神经网络模型通过包括有多个训练供水关联参数和训练数据关联参数以及对应的危险情况标注的训练数据集训练得到。
作为一个可选的实施方式,所述预处理模块计算任一所述候选控制加压站与对应的所有管道在对应的所述数据时间点的供水关联参数的具体方式,包括:
对于任一所述候选控制加压站以及该候选控制加压站对应的任一管道,在数据库中查询该候选控制加压站与该管道之间的在对应的所述数据发生时间点的地理位置距离和间隔管道节点数量;所述间隔管道节点数量为该候选控制加压站与该管道之间的供水通路上的所有管道交接点的数量;所述管道交接点为不同管道的交接点;
计算所述地理位置距离和所述间隔管道节点数量之间的加权求和值,得到该候选控制加压站与该管道之间的供水关联参数;所述间隔管道节点数量的权重大于所述地理位置距离的权重,且所述间隔管道节点数量的权重与所述地理位置距离的权重之间的权重差值和所述地理位置距离的大小成反比。
作为一个可选的实施方式,所述根据所述历史加压工作参数,计算任一所述候选控制加压站与对应的每一所述危险水压数据之间的数据关联参数,包括:
对于任一所述候选控制加压站对应的任一所述危险水压数据,计算该候选控制加压站在该危险水压数据对应的所述数据获取时间点的历史加压工作参数对应的参数偏离参数;所述参数偏离参数为所述历史加压工作参数与平均参考值之间的差值;所述平均参考值为所述数据获取时间点所在的第一时间区间内的该候选控制加压站的所有加压工作参数的平均值;
计算该危险水压数据与所述第一时间区间内的同一管道对应的所有水压数据的平均值之间的差值,得到该危险水压数据对应的水压偏离参数;
计算所述水压偏离参数与所述参数偏离参数的加权比值;所述参数偏离参数的权重小于所述水压偏离参数的权重;
计算所述加权比值与1之间的差值的绝对值,得到该候选控制加压站与该危险水压数据之间的数据关联参数。
作为一个可选的实施方式,所述筛选模块根据所述危险预测参数,从所述多个二次加压站中筛选出多个控制加压站的具体方式:
根据所述危险预测参数从大到小,对所有所述二次加压站进行排序,得到加压站序列;
将所述加压站序列的前预设数量个二次加压站确定为控制加压站,以得到多个控制加压站。
作为一个可选的实施方式,所述控制策略计算模块根据所述目标管网区域中的用户端水压传感信息、所述目标管网区域的实时管道水压数据和每一所述控制加压站的加压工作参数和加压传感参数,基于神经网络算法,计算每一所述控制加压站的控制策略的具体方式,包括:
基于神经网络算法,建立起所述目标管网区域对应的用户水压变化预测模型;所述用户水压变化预测模型通过包括有多个训练加压工作参数和对应的用户水压变化参数标注的训练数据集训练得到;
基于神经网络算法,建立起所述目标管网区域对应的管道水压变化预测模型;所述管道水压变化预测模型通过包括有多个训练加压工作参数和对应的管道水压变化参数标注的训练数据集训练得到;
基于神经网络算法,建立起每一所述控制加压站对应的传感变化预测模型;所述传感变化预测模型通过包括有多个训练加压工作参数和对应的传感变化参数标注的训练数据集训练得到;
确定目标函数和限制条件;
以所述目标管网区域中的用户端水压传感信息、所述目标管网区域的实时管道水压数据和每一所述控制加压站的加压工作参数和加压传感参数为状态参数输入至粒子群算法模型中,根据所述目标函数和限制条件进行迭代演算,以得到每一所述控制加压站对应的最优的控制策略;所述控制策略中包括有所述控制加压站中的加压水泵机组、主路电动阀门和旁路电动阀门对应的控制参数。
作为一个可选的实施方式,所述目标函数为所述控制策略对应的控制参数对应的参数成本最小;所述参数成本为所述控制参数与所述控制加压站的加压工作参数之间的参数差值对应的成本;所述成本通过预设的参数差值-成本对应关系式模型进行计算。
作为一个可选的实施方式,所述限制条件包括所述控制策略对应的控制参数对应的用户水压值大于水压要求值、所述控制参数对应的管道水压值小于水压危险阈值、所述控制参数对应的加压站传感值小于传感危险值。
作为一个可选的实施方式,所述控制策略计算模块根据所述目标函数和限制条件进行迭代演算,以得到每一所述控制加压站对应的最优的控制策略的具体方式,包括:
基于所述目标函数和所述限制条件进行迭代演算,并在演算过程中,将当前控制策略对应的控制参数输入至所述用户水压变化预测模型、所述管道水压变化预测模和所述传感变化预测模型中,以得到输出的用户水压变化预测值、管道水压变化预测值和传感变化预测值;
根据所述用户水压变化预测值、管道水压变化预测值和传感变化预测值,以及所述用户端水压传感信息、所述实时管道水压数据和所述加压传感参数,计算当前控制策略的控制参数对应的用户水压值、管道水压值和加压站传感值,以用于判断是否满足所述限制条件;
迭代演算直至满足所述目标函数和所述限制条件,得到每一所述控制加压站对应的最优的控制策略的具体方式。
与现有技术相比,本发明具有以下有益效果:
本发明能够结合二次加压站的工作参数和传感参数,通过神经网络算法模型来确定出更加精确地控制策略,从而能够极大地提高无人值守的加压站的控制精度和智能化程度,提高加压站的工作效率,减少出错。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于AI算法的无人值守加压站控制系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、装置、产品或端没有限定于已列出的步骤或模块,而是可选地还包括没有列出的步骤或模块,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或模块。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
具体的,请参阅图1,图1是本发明实施例公开的一种基于AI算法的无人值守加压站控制系统的结构示意图。如图1所示,该基于AI算法的无人值守加压站控制系统至少包括接收模块101、预处理模块102、筛选模块103、控制策略计算模块104和发送模块105。
具体的,接收模块101与设置在目标管网区域的多个二次加压站的处理器节点和传感器节点电连接,用于接收每一二次加压站发送的多个加压工作参数和加压传感参数。
作为一个可选的实施例,加压工作参数包括水泵机组的电机工作参数、主路电动阀门工作参数、旁路电动阀门工作参数中的至少一种。
作为一个可选的实施例,加压传感参数包括站内管道水质数据、站内图像数据、站内空气质量数据、站内温度数据、站内湿度数据、站内工作人员打卡数据中的至少一种。
具体的,预处理模块102用于获取目标管网区域的历史管道水压数据和每一二次加压站的历史加压工作参数,根据历史管道水压数据和每一二次加压站的历史加压工作参数,基于神经网络算法,确定每一二次加压站的危险预测参数。
作为一个可选的实施例,历史管道水压数据包括目标管网区域中的多条管道对应的历史水压数据。
具体的,筛选模块103用于根据危险预测参数,从多个二次加压站中筛选出多个控制加压站。
具体的,控制策略计算模块104用于根据目标管网区域中的用户端水压传感信息、目标管网区域的实时管道水压数据和每一控制加压站的加压工作参数和加压传感参数,基于神经网络算法,计算每一控制加压站的控制策略。
具体的,发送模块105用于根据控制策略,生成每一控制加压站对应的控制指令,并发送至控制加压站。
具体的,本发明中所述的神经网络算法或神经网络算法模型,均可以为常见的CNN、RNN或LTSM或其他可用的神经网络算法结构,操作人员可以根据具体的训练和预测场景中的数据特点来确定采用的神经网络算法模型的结构和参数,本发明在此不做限定。
通过上述公开的控制系统,能够结合二次加压站的工作参数和传感参数,通过神经网络算法模型来确定出更加精确地控制策略,从而能够极大地提高无人值守的加压站的控制精度和智能化程度,提高加压站的工作效率,减少出错。
作为一个可选的实施例,预处理模块102根据历史管道水压数据和每一二次加压站的历史加压工作参数,基于神经网络算法,确定每一二次加压站的危险预测参数的具体方式,包括:
对于每一管道,从该管道对应的所有历史水压数据中筛选出水压值高于预设的水压阈值的危险水压数据;
根据该管道对应的供水历史记录,确定该管道在所有危险水压数据对应的数据发生时间点对应的有供水关系的二次加压站,确定为该管道对应的候选控制加压站;
计算任一候选控制加压站与对应的所有管道在对应的数据发生时间点的供水关联参数;
根据历史加压工作参数,计算任一候选控制加压站与对应的每一危险水压数据之间的数据关联参数;
将每一候选控制加压站对应的所有供水关联参数和数据关联参数输入至预先训练好的第一神经网络模型中,得到输出的每一候选控制加压站对应的危险预测参数;第一神经网络模型通过包括有多个训练供水关联参数和训练数据关联参数以及对应的危险情况标注的训练数据集训练得到。
通过上述模块,能够实现先筛选出可能出现危险的水压数据,再确定出在水压数据出现危险时为管道供水的加压站,来重点关注这些加压站,并计算供水关联参数和数据关联参数,以通过神经网络算法来确定不同加压站对应的可能存在危险或导致危险的可能性预测参数。
作为一个可选的实施例,预处理模块102计算任一候选控制加压站与对应的所有管道在对应的数据时间点的供水关联参数的具体方式,包括:
对于任一候选控制加压站以及该候选控制加压站对应的任一管道,在数据库中查询该候选控制加压站与该管道之间的在对应的数据发生时间点的地理位置距离和间隔管道节点数量;间隔管道节点数量为该候选控制加压站与该管道之间的供水通路上的所有管道交接点的数量;管道交接点为不同管道的交接点;
计算地理位置距离和间隔管道节点数量之间的加权求和值,得到该候选控制加压站与该管道之间的供水关联参数;间隔管道节点数量的权重大于地理位置距离的权重,且间隔管道节点数量的权重与地理位置距离的权重之间的权重差值和地理位置距离的大小成反比。
通过上述模块,能够结合地理位置距离和间隔管道节点数量来计算出加压站和管道之间的供水关联程度,且两者间间隔管道节点数量的权重大于地理位置的权重,且在地理位置距离越小时,两者的差距就越大,这是由于在考虑供水关联因素时,加压站和目标管道之间的间隔节点数量显然是更具参考价值的参数,且在地理位置距离越小时,更需要着重考虑间隔节点的数量,因此上述设置可以使得计算得到的供水关联参数更高地表征两者间的供水关联程度。
作为一个可选的实施例,根据历史加压工作参数,计算任一候选控制加压站与对应的每一危险水压数据之间的数据关联参数,包括:
对于任一候选控制加压站对应的任一危险水压数据,计算该候选控制加压站在该危险水压数据对应的数据获取时间点的历史加压工作参数对应的参数偏离参数;参数偏离参数为历史加压工作参数与平均参考值之间的差值;平均参考值为数据获取时间点所在的第一时间区间内的该候选控制加压站的所有加压工作参数的平均值;
计算该危险水压数据与第一时间区间内的同一管道对应的所有水压数据的平均值之间的差值,得到该危险水压数据对应的水压偏离参数;
计算水压偏离参数与参数偏离参数的加权比值;参数偏离参数的权重小于水压偏离参数的权重;
计算加权比值与1之间的差值的绝对值,得到该候选控制加压站与该危险水压数据之间的数据关联参数。
通过上述模块,能够根据水压数据的参数偏离程度和加压站的工作参数的偏离程度之间的联系来计算两者之间的数据关联参数,该参数可以有效表征加压站的工作与水压异常之间的关系大小。
作为一个可选的实施例,筛选模块103根据危险预测参数,从多个二次加压站中筛选出多个控制加压站的具体方式:
根据危险预测参数从大到小,对所有二次加压站进行排序,得到加压站序列;
将加压站序列的前预设数量个二次加压站确定为控制加压站,以得到多个控制加压站。
通过上述模块能够根据危险可能性来筛选出需要予以控制的加压站,以便于后续的控制。
作为一个可选的实施例,控制策略计算模块104根据目标管网区域中的用户端水压传感信息、目标管网区域的实时管道水压数据和每一控制加压站的加压工作参数和加压传感参数,基于神经网络算法,计算每一控制加压站的控制策略的具体方式,包括:
基于神经网络算法,建立起目标管网区域对应的用户水压变化预测模型;用户水压变化预测模型通过包括有多个训练加压工作参数和对应的用户水压变化参数标注的训练数据集训练得到;
基于神经网络算法,建立起目标管网区域对应的管道水压变化预测模型;管道水压变化预测模型通过包括有多个训练加压工作参数和对应的管道水压变化参数标注的训练数据集训练得到;
基于神经网络算法,建立起每一控制加压站对应的传感变化预测模型;传感变化预测模型通过包括有多个训练加压工作参数和对应的传感变化参数标注的训练数据集训练得到;
确定目标函数和限制条件;
以目标管网区域中的用户端水压传感信息、目标管网区域的实时管道水压数据和每一控制加压站的加压工作参数和加压传感参数为状态参数输入至粒子群算法模型中,根据目标函数和限制条件进行迭代演算,以得到每一控制加压站对应的最优的控制策略;控制策略中包括有控制加压站中的加压水泵机组、主路电动阀门和旁路电动阀门对应的控制参数。
作为一个可选的实施例,目标函数为控制策略对应的控制参数对应的参数成本最小;参数成本为控制参数与控制加压站的加压工作参数之间的参数差值对应的成本;成本通过预设的参数差值-成本对应关系式模型进行计算。
作为一个可选的实施例,限制条件包括控制策略对应的控制参数对应的用户水压值大于水压要求值、控制参数对应的管道水压值小于水压危险阈值、控制参数对应的加压站传感值小于传感危险值。
作为一个可选的实施例,控制策略计算模块104根据目标函数和限制条件进行迭代演算,以得到每一控制加压站对应的最优的控制策略的具体方式,包括:
基于目标函数和限制条件进行迭代演算,并在演算过程中,将当前控制策略对应的控制参数输入至用户水压变化预测模型、管道水压变化预测模和传感变化预测模型中,以得到输出的用户水压变化预测值、管道水压变化预测值和传感变化预测值;
根据用户水压变化预测值、管道水压变化预测值和传感变化预测值,以及用户端水压传感信息、实时管道水压数据和加压传感参数,计算当前控制策略的控制参数对应的用户水压值、管道水压值和加压站传感值,以用于判断是否满足限制条件;
迭代演算直至满足目标函数和限制条件,得到每一控制加压站对应的最优的控制策略的具体方式。
通过上述模块,可以基于三个神经网络预测模型来实时计算用户水压变化预测值、管道水压变化预测值和传感变化预测值,以进一步在粒子群算法的迭代粒子生成过程中判断模型是否满足目标函数和限制条件,从而能够计算出有效的控制策略以对加压站进行控制。
上述对本说明书特定实施例进行了描述,其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,附图中描绘的过程不一定必须按照示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、设备、非易失性计算机可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书实施例提供的装置、设备、非易失性计算机可读存储介质与方法是对应的,因此,装置、设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述对应装置、设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field ProgrammableGateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera HardwareDescriptionLanguage)、Confluence、CUPL(Cornell University ProgrammingLanguage)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书实施例可提供为方法、系统、或计算机程序产品。因此,本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
最后应说明的是:本发明实施例公开的一种基于AI算法的无人值守加压站控制系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (9)
1.一种基于AI算法的无人值守加压站控制系统,其特征在于,所述系统包括:
接收模块,与设置在目标管网区域的多个二次加压站的处理器节点和传感器节点电连接,用于接收每一所述二次加压站发送的多个加压工作参数和加压传感参数;
预处理模块,用于获取所述目标管网区域的历史管道水压数据和每一所述二次加压站的历史加压工作参数,根据所述历史管道水压数据和每一所述二次加压站的历史加压工作参数,基于神经网络算法,确定每一所述二次加压站的危险预测参数;所述历史管道水压数据包括所述目标管网区域中的多条管道对应的历史水压数据;所述预处理模块根据所述历史管道水压数据和每一所述二次加压站的历史加压工作参数,基于神经网络算法,确定每一所述二次加压站的危险预测参数的具体方式,包括:
对于每一管道,从该管道对应的所有历史水压数据中筛选出水压值高于预设的水压阈值的危险水压数据;
根据该管道对应的供水历史记录,确定该管道在所有所述危险水压数据对应的数据发生时间点对应的有供水关系的二次加压站,确定为该管道对应的候选控制加压站;
计算任一所述候选控制加压站与对应的所有管道在对应的所述数据发生时间点的供水关联参数;
根据所述历史加压工作参数,计算任一所述候选控制加压站与对应的每一所述危险水压数据之间的数据关联参数;
将每一所述候选控制加压站对应的所有所述供水关联参数和所述数据关联参数输入至预先训练好的第一神经网络模型中,得到输出的每一所述候选控制加压站对应的危险预测参数;所述第一神经网络模型通过包括有多个训练供水关联参数和训练数据关联参数以及对应的危险情况标注的训练数据集训练得到;
筛选模块,用于根据所述危险预测参数,从所述多个二次加压站中筛选出多个控制加压站;
控制策略计算模块,用于根据所述目标管网区域中的用户端水压传感信息、所述目标管网区域的实时管道水压数据和每一所述控制加压站的加压工作参数和加压传感参数,基于神经网络算法,计算每一所述控制加压站的控制策略;
发送模块,用于根据所述控制策略,生成每一所述控制加压站对应的控制指令,并发送至所述控制加压站。
2.如权利要求1所述的一种基于AI算法的无人值守加压站控制系统,其特征在于:所述加压工作参数包括水泵机组的电机工作参数、主路电动阀门工作参数、旁路电动阀门工作参数中的至少一种;和/或,所述加压传感参数包括站内管道水质数据、站内图像数据、站内空气质量数据、站内温度数据、站内湿度数据、站内工作人员打卡数据中的至少一种。
3.根据权利要求1所述的基于AI算法的无人值守加压站控制系统,其特征在于,所述预处理模块计算任一所述候选控制加压站与对应的所有管道在对应的所述数据时间点的供水关联参数的具体方式,包括:
对于任一所述候选控制加压站以及该候选控制加压站对应的任一管道,在数据库中查询该候选控制加压站与该管道之间的在对应的所述数据发生时间点的地理位置距离和间隔管道节点数量;所述间隔管道节点数量为该候选控制加压站与该管道之间的供水通路上的所有管道交接点的数量;所述管道交接点为不同管道的交接点;
计算所述地理位置距离和所述间隔管道节点数量之间的加权求和值,得到该候选控制加压站与该管道之间的供水关联参数;所述间隔管道节点数量的权重大于所述地理位置距离的权重,且所述间隔管道节点数量的权重与所述地理位置距离的权重之间的权重差值和所述地理位置距离的大小成反比。
4.根据权利要求1所述的基于AI算法的无人值守加压站控制系统,其特征在于,所述根据所述历史加压工作参数,计算任一所述候选控制加压站与对应的每一所述危险水压数据之间的数据关联参数,包括:
对于任一所述候选控制加压站对应的任一所述危险水压数据,计算该候选控制加压站在该危险水压数据对应的所述数据获取时间点的历史加压工作参数对应的参数偏离参数;所述参数偏离参数为所述历史加压工作参数与平均参考值之间的差值;所述平均参考值为所述数据获取时间点所在的第一时间区间内的该候选控制加压站的所有加压工作参数的平均值;
计算该危险水压数据与所述第一时间区间内的同一管道对应的所有水压数据的平均值之间的差值,得到该危险水压数据对应的水压偏离参数;
计算所述水压偏离参数与所述参数偏离参数的加权比值;所述参数偏离参数的权重小于所述水压偏离参数的权重;
计算所述加权比值与1之间的差值的绝对值,得到该候选控制加压站与该危险水压数据之间的数据关联参数。
5.根据权利要求1所述的基于AI算法的无人值守加压站控制系统,其特征在于,所述筛选模块根据所述危险预测参数,从所述多个二次加压站中筛选出多个控制加压站的具体方式:
根据所述危险预测参数从大到小,对所有所述二次加压站进行排序,得到加压站序列;
将所述加压站序列的前预设数量个二次加压站确定为控制加压站,以得到多个控制加压站。
6.根据权利要求1所述的基于AI算法的无人值守加压站控制系统,其特征在于,所述控制策略计算模块根据所述目标管网区域中的用户端水压传感信息、所述目标管网区域的实时管道水压数据和每一所述控制加压站的加压工作参数和加压传感参数,基于神经网络算法,计算每一所述控制加压站的控制策略的具体方式,包括:
基于神经网络算法,建立起所述目标管网区域对应的用户水压变化预测模型;所述用户水压变化预测模型通过包括有多个训练加压工作参数和对应的用户水压变化参数标注的训练数据集训练得到;
基于神经网络算法,建立起所述目标管网区域对应的管道水压变化预测模型;所述管道水压变化预测模型通过包括有多个训练加压工作参数和对应的管道水压变化参数标注的训练数据集训练得到;
基于神经网络算法,建立起每一所述控制加压站对应的传感变化预测模型;所述传感变化预测模型通过包括有多个训练加压工作参数和对应的传感变化参数标注的训练数据集训练得到;
确定目标函数和限制条件;
以所述目标管网区域中的用户端水压传感信息、所述目标管网区域的实时管道水压数据和每一所述控制加压站的加压工作参数和加压传感参数为状态参数输入至粒子群算法模型中,根据所述目标函数和限制条件进行迭代演算,以得到每一所述控制加压站对应的最优的控制策略;所述控制策略中包括有所述控制加压站中的加压水泵机组、主路电动阀门和旁路电动阀门对应的控制参数。
7.根据权利要求6所述的基于AI算法的无人值守加压站控制系统,其特征在于,所述目标函数为所述控制策略对应的控制参数对应的参数成本最小;所述参数成本为所述控制参数与所述控制加压站的加压工作参数之间的参数差值对应的成本;所述成本通过预设的参数差值-成本对应关系式模型进行计算。
8.根据权利要求7所述的基于AI算法的无人值守加压站控制系统,其特征在于,所述限制条件包括所述控制策略对应的控制参数对应的用户水压值大于水压要求值、所述控制参数对应的管道水压值小于水压危险阈值、所述控制参数对应的加压站传感值小于传感危险值。
9.根据权利要求8所述的基于AI算法的无人值守加压站控制系统,其特征在于,所述控制策略计算模块根据所述目标函数和限制条件进行迭代演算,以得到每一所述控制加压站对应的最优的控制策略的具体方式,包括:
基于所述目标函数和所述限制条件进行迭代演算,并在演算过程中,将当前控制策略对应的控制参数输入至所述用户水压变化预测模型、所述管道水压变化预测模和所述传感变化预测模型中,以得到输出的用户水压变化预测值、管道水压变化预测值和传感变化预测值;
根据所述用户水压变化预测值、管道水压变化预测值和传感变化预测值,以及所述用户端水压传感信息、所述实时管道水压数据和所述加压传感参数,计算当前控制策略的控制参数对应的用户水压值、管道水压值和加压站传感值,以用于判断是否满足所述限制条件;
迭代演算直至满足所述目标函数和所述限制条件,得到每一所述控制加压站对应的最优的控制策略的具体方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742904.0A CN116699998B (zh) | 2023-06-21 | 2023-06-21 | 基于ai算法的无人值守加压站控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310742904.0A CN116699998B (zh) | 2023-06-21 | 2023-06-21 | 基于ai算法的无人值守加压站控制系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116699998A CN116699998A (zh) | 2023-09-05 |
CN116699998B true CN116699998B (zh) | 2024-02-13 |
Family
ID=87833778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310742904.0A Active CN116699998B (zh) | 2023-06-21 | 2023-06-21 | 基于ai算法的无人值守加压站控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116699998B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629106A (zh) * | 2012-04-11 | 2012-08-08 | 广州东芝白云自动化系统有限公司 | 供水控制方法及系统 |
CN208366399U (zh) * | 2018-07-18 | 2019-01-11 | 广东和达康明科技股份有限公司 | 一种可调节供水系统水压和流量的超声波水表 |
CN111767621A (zh) * | 2020-07-13 | 2020-10-13 | 国网江苏省电力有限公司南通供电分公司 | 一种基于知识迁移q学习算法的多能源系统优化调度方法 |
CN112254320A (zh) * | 2020-10-22 | 2021-01-22 | 重庆大学 | 基于ai的空调变流量水系统自适应变压差控制方法 |
CN113110056A (zh) * | 2021-04-20 | 2021-07-13 | 北京硕人时代科技股份有限公司 | 一种基于人工智能的供热智能决策方法及智能决策机 |
GB202116859D0 (en) * | 2021-06-29 | 2022-01-05 | Univ Jiangsu | Intelligent parallel pumping system and optimal regulating method thereof |
CN113944636A (zh) * | 2020-07-17 | 2022-01-18 | 格兰富控股联合股份公司 | 多泵控制系统 |
CN114418212A (zh) * | 2022-01-18 | 2022-04-29 | 上海城投水务(集团)有限公司 | 一种基于深度神经网络的供水泵站水泵工作频率的决策方法 |
CN114862288A (zh) * | 2022-07-06 | 2022-08-05 | 广东青藤环境科技有限公司 | 智慧水务二次加压管理系统 |
CN115907733A (zh) * | 2022-12-30 | 2023-04-04 | 浙江嘉源和达水务有限公司 | 一种二次供水泵房ai无人巡检平台及方法 |
-
2023
- 2023-06-21 CN CN202310742904.0A patent/CN116699998B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102629106A (zh) * | 2012-04-11 | 2012-08-08 | 广州东芝白云自动化系统有限公司 | 供水控制方法及系统 |
CN208366399U (zh) * | 2018-07-18 | 2019-01-11 | 广东和达康明科技股份有限公司 | 一种可调节供水系统水压和流量的超声波水表 |
CN111767621A (zh) * | 2020-07-13 | 2020-10-13 | 国网江苏省电力有限公司南通供电分公司 | 一种基于知识迁移q学习算法的多能源系统优化调度方法 |
CN113944636A (zh) * | 2020-07-17 | 2022-01-18 | 格兰富控股联合股份公司 | 多泵控制系统 |
CN112254320A (zh) * | 2020-10-22 | 2021-01-22 | 重庆大学 | 基于ai的空调变流量水系统自适应变压差控制方法 |
CN113110056A (zh) * | 2021-04-20 | 2021-07-13 | 北京硕人时代科技股份有限公司 | 一种基于人工智能的供热智能决策方法及智能决策机 |
GB202116859D0 (en) * | 2021-06-29 | 2022-01-05 | Univ Jiangsu | Intelligent parallel pumping system and optimal regulating method thereof |
CN114418212A (zh) * | 2022-01-18 | 2022-04-29 | 上海城投水务(集团)有限公司 | 一种基于深度神经网络的供水泵站水泵工作频率的决策方法 |
CN114862288A (zh) * | 2022-07-06 | 2022-08-05 | 广东青藤环境科技有限公司 | 智慧水务二次加压管理系统 |
CN115907733A (zh) * | 2022-12-30 | 2023-04-04 | 浙江嘉源和达水务有限公司 | 一种二次供水泵房ai无人巡检平台及方法 |
Non-Patent Citations (1)
Title |
---|
基于BP神经网络的城市供水系统管网预测;黄良沛, 刘义伦, 李迅;湖南科技大学学报(自然科学版)(第03期);第48-51页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116699998A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114880733B (zh) | 智慧水务水力模型数据处理方法及装置 | |
CN110245047B (zh) | 时间序列异常检测方法、装置及设备 | |
CN111208838B (zh) | 一种无人驾驶设备的控制方法及装置 | |
CN112766468A (zh) | 一种轨迹预测方法、装置、存储介质及电子设备 | |
CN110008991B (zh) | 风险事件的识别、风险识别模型的生成方法、装置、设备及介质 | |
CN111062372B (zh) | 一种预测障碍物轨迹的方法及装置 | |
CN116823521B (zh) | 基于ai算法的智能二次供水终端控制系统 | |
CN117635822A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN117390585A (zh) | 基于三维全连接融合的时序数据预测方法及模型训练方法 | |
CN117370034B (zh) | 一种算力调度系统评估方法、装置、存储介质及电子设备 | |
CN116699998B (zh) | 基于ai算法的无人值守加压站控制系统 | |
CN116896512B (zh) | 一种云边协同系统评估方法、装置、存储介质及电子设备 | |
CN116579762A (zh) | 一种冷却塔智慧运维平台 | |
CN116521350A (zh) | 基于深度学习算法的etl调度方法及装置 | |
CN115100587B (zh) | 基于多元数据的区域乱采监测方法及装置 | |
CN116403097A (zh) | 一种目标检测方法、装置、存储介质及电子设备 | |
CN113569950B (zh) | 电站设备故障监测模型生成方法、系统及装置 | |
CN117875789B (zh) | 一种用于海绵城市排水效果评估的数据处理方法及装置 | |
CN111753990B (zh) | 一种量子计算机模拟环境方法、设备及介质 | |
CN117009729B (zh) | 基于softmax的数据处理方法及装置 | |
CN115758226B (zh) | 一种异常检测的方法、装置、存储介质及电子设备 | |
CN117406628B (zh) | 一种基于传感监测的实验室通风控制系统 | |
CN117455015B (zh) | 一种模型优化的方法、装置、存储介质及电子设备 | |
CN117593004A (zh) | 数据处理方法、装置及设备 | |
CN116310406B (zh) | 一种图像检测的方法、装置、存储介质及电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |